R 语言数据分析项目精解：理论、方法、实战

出版者:电子工业出版社

作者:罗荣锦

页数:352

出版时间:2017-8

价格:69.00

装帧:平装

isbn号码:9787121315732

丛书系列:CDA数据分析师系列丛书

具体描述

《R 语言数据分析项目精解：理论、方法、实战》以互联网电商企业为背景，抽象出工作中常见的数据分析问题，利用R 语言和统计学列出了详细的解决方案和过程。《R 语言数据分析项目精解：理论、方法、实战》共9 章，前两章分别为总论和R 语言入门知识，之后各章分别介绍了运营指标的建立、指标监控系统、假设检验及AB 测试、变量筛选技术、用户画像系统、寻找优质用户和文本挖掘等内容。本书涉及到的统计方法有：指标增长幅度量化方法、层次分析法、时间序列模型、基于正态分布的一元离群点检验、傅里叶谱分析、假设检验、主成分分析、因子分析、模糊聚类、无监督下连续型变量离散化、逻辑回归模型和文本挖掘等。另外，《R 语言数据分析项目精解：理论、方法、实战》提供了所有实例的R 语言实现代码，总计33 个自定义函数和数千行代码。

《R 语言数据分析项目精解：理论、方法、实战》适合数据分析从业人员、产品运营人员、统计专业学生和R 语言爱好者阅读。

目录信息

第1 章 互联网+统计学+R 语言1
1.1 互联网中的统计学 1
1.1.1 “互联网+”的发展 1
1.1.2 统计学的发展 2
1.1.3 大数据时代的统计学 2
1.2 R 语言——互联网与统计学的桥梁 3
1.3 本书结构5
第2 章 R 语言基础7
2.1 安装R 语言 7
2.1.1 获取和安装R 语言 7
2.1.2 安装RStudio 9
2.1.3 R 包 10
2.1.4 帮助 12
2.2 R 语言基本对象 12
2.2.1 数据类型12
2.2.2 向量 12
2.2.3 矩阵和数组19
2.2.4 列表 27
2.2.5 数据框 29
2.2.6 因子 32
2.2.7 数据类型的辨别和转换 39
2.2.8 数据类型和对象关系 39
2.3 工作空间和查看对象 40
2.3.1 工作空间和工作目录 40
2.3.2 遍历、创建、删除文件夹41
2.3.3 查看对象的方法 42
2.4 数据导入和导出 43
2.4.1 数据导入43
2.4.2 数据导出49
2.5 操作符和函数 51
2.5.1 操作符 51
2.5.2 函数 54
2.6 数据集操作59
2.6.1 变量操作60
2.6.2 数据集操作63
2.6.3 数据集连接67
2.6.4 数据汇总68
2.7 控制流71
2.7.1 重复和循环71
2.7.2 条件执行73
2.7.3 next 和break 74
2.8 自定义函数75
第3 章 互联网运营指标的建立 77
3.1 项目背景、目标及方案78
3.1.1 项目背景78
3.1.2 项目目标78
3.1.3 项目方案78
3.2 项目技术理论简介78
3.2.1 骨灰级流量指标 78
3.2.2 登录和激活80
2.2.3 访问深度和吸引力81
3.2.4 订单指标85
3.2.5 网站或APP 性能指标 86
3.2.6 转化率 87
3.2.7 层次分析法87
3.3 项目实践 92
3.3.1 搭建运营指标系统92
3.3.2 制作对比型指标及趋势线97
3.3.3 创建用户价值和活跃度指标101
第4 章 指标监控系统111
4.1 项目背景、目标及方案111
4.1.1 项目背景.111
4.1.2 项目目标.111
4.1.3 项目方案 112
4.2 项目技术理论简介 112
4.2.1 时间序列基本统计量112
4.2.2 数据观测与描述性统计 113
4.2.3 随机性 115
4.2.4 周期性 115
4.2.5 节假日模式识别 115
4.2.6 建模数据集的建立 118
4.2.7 指标监控方法（不含节假日） 125
4.2.8 节假日指标监控方法134
4.2.9 R 语言实例代码 135
4.3 项目实践 141
4.3.1 数据概览 142
4.3.2 节假日模式识别 145
4.3.3 模型数据集的建立 155
4.3.4 指标监控（非节假日） 160
4.3.5 节假日指标监控 176
4.3.6 总结181
第5 章 用数据驱动业务——AB 测试182
5.1 项目背景、目标和方案 182
5.1.1 项目背景 182
5.1.2 项目目标 183
5.1.3 项目方案 183
5.2 项目技术理论简介 183
5.2.1 自动化分流策略 183
5.2.2 整体评估指标185
5.2.3 概率论预备知识 186
5.2.4 假设检验 191
5.2.5 三个问题 197
5.3 项目实践 197
第6 章 变量筛选技术 204
6.1 项目背景、目标和方案 204
6.1.1 项目背景 204
6.1.2 项目目标 205
6.1.3 项目方案 205
6.2 项目技术理论简介 205
6.2.1 变量相关性 206
6.2.2 变量筛选 209
6.2.3 变量降维 215
6.2.4 R 语言实例代码 225
6.3 项目实践 237
6.3.1 变量筛选 238
6.3.2 变量降维 243
第7 章 构建用户画像系统 247
7.1 项目背景、目标和方案 247
7.1.1 项目背景 247
7.1.2 项目目标 248
7.1.3 项目方案 248
7.2 项目技术理论简介 248
7.2.1 用户画像的基本概念248
7.2.2 用户画像应用领域 249
7.2.3 用户画像分类250
7.2.4 用户画像构建250
7.2.5 用户画像标签的数值处理方法 254
7.3 项目实践 256
第8 章 从数据中寻找优质用户 261
8.1 项目背景、目标和方案 261
8.1.1 项目背景 261
8.1.2 项目目标 262
8.1.3 项目方案 262
8.2 项目技术理论简介 262
8.2.1 逻辑回归的基本概念262
8.2.2 建模流程 266
8.2.3 模型开发阶段269
8.2.4 模型验证阶段279
8.2.5 模型测试阶段285
8.2.6 商业应用流程288
8.2.7 R 语言实例代码 288
8.3 项目实践 295
8.3.1 数据探索 295
8.3.2 数据处理 297
8.3.3 建立模型 302
8.3.4 模型验证 304
8.3.5 总结308
第9 章 文本挖掘——点评数据展示策略309
9.1 项目背景、目标和方案 310
9.1.1 项目背景 310
9.1.2 项目目标 311
9.1.3 项目方案 311
9.2 项目技术理论简介 312
9.2.1 评论文本质量量化指标模型312
9.2.2 用户相似度模型 313
9.2.3 情感性分析 316
9.2.4 R 语言实例代码 321
9.3 项目实践 326
9.3.1 若干自定义函数 326
9.3.2 文本质量量化指标模型 329
9.3.3 用户相似度模型 334
9.3.4 情感性分析 335
9.3.5 总结340
· · · · · · (收起)

用户评价

我必须强调这本书在实战案例上的深度和广度。许多数据分析书籍往往停留在简单的线性回归或基础描述性统计上，但这本书显然瞄准了更前沿、更复杂的应用场景。我印象最深的是关于时间序列分解和机器学习模型构建的那几章。作者没有使用那些教科书式的、过于简化的数据集，而是选择了一些具有挑战性的真实世界数据，并在分析过程中不断地暴露和解决实际工作中会遇到的“脏数据”问题，比如缺失值的填充策略、异常值的识别与处理，这些都是纯理论书籍往往会忽略的“技术细节”。更关键的是，作者在展示模型结果时，不仅关注了模型的拟合优度指标，更深入地探讨了模型结果的**业务解读**和**稳健性检验**，这对于想要将数据分析成果转化为商业决策的读者来说，价值无可估量。它教会我如何批判性地看待分析结果，而不是盲目地接受任何一个跑出来的数字。

这本书的配套资源和维护更新的诚意也值得称赞。虽然我们讨论的是纸质书的内容，但其隐含的对当前R语言社区动态的关注是显而易见的。从书中引用的包版本和最新的函数特性来看，作者显然在持续关注R语言生态的迭代。例如，书中对`tidyverse`系列包的整合应用，展示了对现代R编程范式的充分拥抱，而不是停留在S3对象的老旧范式中。这种与时俱进的态度，保证了读者学到的知识不是过时的，而是可以直接在当前的生产环境中应用的。对于一个技术类书籍而言，时效性就是生命力，这本书显然在这方面下了大功夫，确保读者手中的内容既有坚实的理论基础，又有面向未来的实用性。

这本书真正让我感到物超所值的地方在于其对**统计思维**的培养作用，而非仅仅是R代码的堆砌。许多工具书教会你“如何做”（How-to），但这本书深入探讨了“为什么这样做”（Why）。例如，在介绍数据可视化时，作者花费了大量篇幅解释不同图表类型背后的认知科学原理，以及如何根据数据分布和分析目的选择最恰当的视觉编码方式。这使得我不再是机械地套用`ggplot2`的语法，而是真正理解了视觉传达的效力。当处理一个全新的问题时，我发现自己能够跳出固定的分析模板，更多地从数据本身的特性出发来设计分析策略。这种思维框架的建立，远比记住几个函数名重要得多，它提升了我的**数据素养**和独立解决问题的能力。

这本书的结构安排得非常合理，从基础概念的建立到复杂数据处理技巧的深入探讨，逻辑清晰，层层递进。我特别欣赏作者在讲解统计学原理时所采取的类比和图示方法，这使得那些抽象的理论不再枯燥难懂。例如，在介绍假设检验时，作者并没有简单地抛出公式，而是通过一个贴近日常生活的例子来阐释P值和显著性的真正含义，这极大地帮助了我这个非科班出身的读者建立了直观的认识。而且，书中对于不同数据类型的处理流程描述得非常详尽，每一步操作都有代码示例和结果分析，确保读者可以无障碍地跟随。对于初学者而言，这种详尽的引导是建立信心的关键，它让你感觉每完成一章的学习，就真正掌握了一项实用的技能，而不是停留在理论的表面。作者对R语言的**生态系统**的介绍也十分到位，不仅仅局限于基础包，还涉及了一些高级的可视化和报告生成工具的整合使用，展示了如何构建一个端到端的分析流程。

从语言风格上来说，这本书的行文有一种老派的、沉稳的专业感，但又不失亲切。作者的叙述方式更像是一位经验丰富的导师在面对面指导你，而不是冷冰冰的教材。当我遇到难以理解的概念时，回过头来看书中的解释，总能找到一种**“拨云见雾”**的感觉。这种感觉的产生，很大程度上归功于作者对技术术语使用的精确把控，他总能在引入一个新概念时，立刻给出其在R语言环境下的具体实现，避免了理论和实践脱节的尴尬。此外，书中对于代码的注释和排版也做得非常出色，即使是复杂的管道操作（Piping），也能通过恰当的换行和缩进保持极高的可读性。这对于需要经常回顾和维护代码的分析师来说，是一个巨大的加分项，它体现了作者对代码工程化质量的重视。

概念清晰，还有对应的项目实例和应用代码，非常好

很不错的一本r语言实战

概念清晰，还有对应的项目实例和应用代码，非常好

第三章 第五章

概念清晰，还有对应的项目实例和应用代码，非常好